M1 E3A - Site Evry

Niveau B1/B2 du CECRL : être capable de s’exprimer à l’oral et à l’écrit dans tous types de situations, comprendre tous types de documents sur une thématique donnée.

- les documents étudiés traitent de sujets d'actualité (science, technologie, société, enginierie, ...)

- l'entraînement aux 5 activités langagières s'appuient sur des documents authentiques

- les activités et supports d'activités sont compilés dans une brochure de cours distribuée aux étudiants en début de semestre

- les supports de cours (audio/video) sont accessibles sur un module de cours sur eCampus

- un cahier de textes, un planning des évaluations, des liens, des activités d'approfondissement sont disponibles sur un moule de cours sur eCampus

- les étudiants doivent produire une présentation orale de 5 minutes en anglais devant leur groupe

- les étudiants s'entraînent à comprendre à l'oral et à l'écrit à partir de documents authentiques

- les étudiants intéragissent en groupes (pair work, group work, débats)

- les étudiants peuvent s'entraîner au test TOEIC en laboratoire de langues

- Enrichir et approfondir sa pratique de l'anglais à l'écrit et à l'oral, en compréhension et en production

- Préparer la passation d'une certification internationale (TOEIC par exemple)

Mutualisée avec les M1 E3A FA PR680.

- How to Write and Publish a Scientific Paper

Robert Day, Barbara Gastel

Cambridge, 319 pages

- La grammaire anglaise de l'étudiant, Serge Berland-Delépine, Jean-Louis Duchet, Ophrys.

- Nombreux sites en ligne (news, exercices), liste évolutive fournie aux étudiants.

- Deux brochures de documents supports et grammaire faites par l’enseignant, données à la première séance, à apporter à chaque cours.

1.    Introduction aux méthodes numériques
•    Définition et enjeux des méthodes numériques.
•    Erreurs numériques : erreur de troncature et erreur d’arrondi.
•    Notions de convergence et stabilité.
•    Exemples : résolution numérique de polynômes, calcul d’intégrales.
2.    Résolution numérique de systèmes d’équations statique et dynamiques (EDO)
•    Méthodes ouvertes :
o    Méthode de Newton-Raphson, méthode de la sécante.
•    Méthodes fermées :
o    Méthode de bissection, régula falsi.
•    Critères de convergence.
•    Résolution de systèmes linéaires :
o    Gauss, Gauss-Seidel, Jacobi.
•    Résolution de systèmes non-linéaires (Newton multivarié).
•    Résolution numérique d’EDO : Euler, Runge-Kutta (RK4), méthodes implicites.
3.    Interpolation et approximation 
•    Interpolation polynomiale (Lagrange, Newton).
•    Interpolation spline.
•    Approximation par moindres carrés.
•    Applications : lissage de données expérimentales.
4.    Optimisation sans contraintes 
•    Problèmes d’optimisation : définition et exemples.
•    Méthodes d’optimisation univariée :
o    Recherche dichotomique, méthode de Newton, méthode de la section dorée.
•    Méthodes multivariées :
o    Gradient, gradient conjugué, descente de gradient.
5.    Optimisation avec contraintes 
•    Types de contraintes : égalités et inégalités.
•    Méthodes classiques :
o    Multiplicateurs de Lagrange.
o    Méthodes de pénalisation et barrière.
•    Introduction aux solveurs numériques (SciPy, MATLAB fmincon).
6. Applications numériques (TP) : Identification des systèmes, calcul des points d'équilibre, modélisation et approximation des systèmes, simulation de systèmes (EDO)

•    Comprendre les concepts fondamentaux des méthodes numériques pour résoudre des problèmes d’ingénierie et des systèmes. 
•    Modélisation et simulation des signaux et des systèmes dynamiques 
•    Savoir formuler et résoudre des problèmes d’optimisation (univariée, multivariée, contraintes) pour des applications diverses, notamment, en commande optimale des systèmes et en planification de trajectoires
•    Développer des compétences pratiques via des travaux dirigés (TD) et des travaux pratiques (TP) en Python/MATLAB.

• Steven Chapra, Raymond Canale, Numerical Mathods for Engineers. Edition 7, McGraw Hill Higher Education, 2014

• Gilbert Strang, Computational Science and Engineering, Wellesley-Cambridge Press, 2007

• J.-B. Hiriart-Urruty, C. Lemaréchal, Convex Analysis and Minimization Algorithms, Springer Verlag, 1993

• S. Boyd, L. Vandenberghe, Convex Optimization, Cambridge University Press (PDF gratuit).

• Nocedal, Wright, Numerical Optimization, Springer, 2006

Notions de base sur la théorie des asservissements linéaires et de calculs matriciels.

Introduction à la représentation d'état. Modélisation d'un système par la représentation d'état. Relation entre Fonction de transfert et représentation d'état. Analyse de la stabilité. Commandabilité et Observabilité. Commande par placement de pôles. Adjonction intégrale. Observateur d'état. Correcteur dynamique, obseverteur d'ordre réduit. Commande LQ et LQG
Représentation d'état et commande des systèmes discrets.

Mutualisée avec les M1 E3A FA PR680.

1. AUTOMATIQUE Commande automatique des systèmes linéaires continus Viorel Minzu/Bernard LangÉditions ELLIPSES 2. INTRODUCTION A L’AUTOMATIQUE Systèmes continus Raymond Hanus/Philippe Bogaerts 3. AUTOMATIQUE Systèmes linéaires, non linéaires, à temps continu, à temps discret, représentation d’état. Yves GranjonEditions DUNOD.

1. Cinématique fondamentale: Référentiels, position, vitesse, accélération, Systèmes multi-corps, coordonnées généralisées, Contraintes cinématiques, Projection des vitesses et vitesses angulaires, Jacobienne des vitesses

2. Dynamique: Principes de Newton-Euler, Principe puissances virtuelles

3. Roulement sans glissement: Cinématique du virage et contraintes de liaison, Centre instantané de rotation (CIR), Virage de rayon fini et conditions limites, État stationnaire de virage et de roulis, Dynamique linéaire et non linéaire et linéarisation autour de points d’équilibre, Résolution symbolique modèle deux-roues sans glissement.

• Introduire les principes fondamentaux de la dynamique des systèmes rigides et multi-corps en mouvement.

• Formaliser les mouvements de véhicules et de robots mobiles à partir de coordonnées généralisées et de contraintes.

• Développer les outils de modélisation dynamique via les approches de Newton-Euler et de Jourdain.

• Mettre en œuvre des modèles cinématiques et dynamiques adaptés aux véhicules terrestres et drones.

• Exploiter les matrices jacobiennes pour le traitement des vitesses et des puissances virtuelles.

• Comprendre les comportements dynamiques typiques (virage, roulis, glissement) dans des systèmes roulants ou volants.

Mutualisée avec les M1 E3A FA PR680.

• Ahmed-A. Shabana, Dynamics of Multibody Systems, Cambridge: Cambridge University Press, ISBN: 9781108485647, https://doi.org/10.1017/9781108757553

• Jean-Pierre Brossard, Dynamique du véhicule, Modélisation des systèmes complexes, Sciences appliquées de l’INSA de Lyon, ISBN : 2-88074-644-2.

Partie 1 – Architectures logiques programmables et algorithmie

1. Méthodologie de conception numérique

2. Introduction au VHDL

3. Datapath et FSM

Partie 2 – Architecture des systèmes numériques

1. Représentation des nombres et standard IEEE-754

2. Additionneurs Ripple-Carry, Carry Select, Carry Lookahead

3. Multiplication séquentielle, algorithme de Booth,

4. Multiplication rapide arborescente, Carry-Save Reduction, Wallace Tree, Multiplication signée, extension de signe et vecteur correcteur

5. Arithmétique distribuée (DA), Filtrage numérique (FIR), Convolution, Transformée de Fourier (DFT/FFT)

• Découvrir les principes de conception matérielle pour les systèmes embarqués numériques.

• Comprendre les différences entre logique câblée, programmable et processeur généraliste.

• S’initier à la modélisation matérielle et à la description algorithmique à l’aide du langage VHDL.

• Appréhender les méthodologies RTL (Register Transfer Level).

• Intégrer un processeur softcore dans une architecture matérielle.

• Explorer les techniques avancées d’arithmétique embarquée (addition, multiplication rapide), de traitement de signal (filtres numériques, convolution), et de l’arithmétique distribuée.

Mutualisée avec les M1 E3A FA PR680.

Mutualisée avec les M1 E3A FA PR680.

- Stephen Brown, Zvonko Vranesic , Fundamentals Of Digital Logic With Vhdl Design, McGraw-Hill

- Steven W. Smith, The Scientist and Engineer's Guide to Digital Signal Processing, California Technical Publishing.

Signaux et systèmes de niveau Licence 3. Bonne base de mathématique pour le signal.

Chapitre 1 — Statistiques des signaux

• Types de signaux : déterministes, aléatoires, stationnaires.

• Moments statistiques : moyenne, variance, covariance.

• Histogrammes et lois usuelles (bruit blanc, gaussien).

• Autocorrélation, dépendance temporelle.

• Analyse statistique de signaux réels (capteurs inertiels, audio).

Chapitre 2 — Analyse temporelle et fréquentielle

• Notion intuitive du contenu fréquentiel (sans TFD formelle).

• Approfondissement de la FFT

• Corrélation croisée : identifier un motif dans un signal.

• Limites de l’analyse temporelle (non-stationarité).

Chapitre 3 — Analyse temps-fréquence

• STFT (Short Time Fourier Transform) :

◦ Principe intuitif (fenêtre glissante)

◦ Résolution temps vs fréquence

• Spectrogramme :

◦ Construction (STFT + module + densité)

◦ Lecture et interprétation

◦ Effet de la fenêtre

• Études de cas simples.

Chapitre 4 — Traitements numériques simples & introduction au 2D

4.1 — Traitements numériques 1D

• Lissage simple : moyenne glissante, médiane (sans théorie filtrage).

• Extraction d’événements : pente, amplitude, seuil adaptatif.

• Détection de patterns simples : corrélation glissante.

4.2 — Préparation à la 2D (passer du signal à l’image)

• Concepts 2D analogues au 1D :

◦ convolution 2D (sans démonstration)

◦ filtres 2D simples (flou, moyenne)

◦ notion de gradient en 2D (Sobel, idée intuitive)

• Notion de pixel, grille, intensité.

• Du signal 2D vers l’image.

• Comprendre les notions fondamentales de signaux aléatoires et bruités.

• Exploiter les outils statistiques pour analyser un signal.

• Analyser les signaux en temps, en fréquence, et en temps-fréquence.

• Réaliser des traitements numériques simples.

• Préparer l’étudiant à la manipulation future des images 2D (vision/perception).

Mutualisée avec les M1 E3A FA PR680.

• Francis Cottet, « Traitement du signal », DUNOD, 2011

• Pierre Marry, Nelly Point et al. « Exercices corrigés de mathématiques du signal », 3ème édition, DUNOD, 2008.

• Michel Barret, Traitement statistique du signal, ELLIPSE, 2009

• Bernard Picinbono, Théorie des signaux et des systèmes avec problèmes résolus.

• Introduction à l’ingénierie mécatronique : définition, architecture, cycle en V.

• Capteurs et acquisition de données : types, caractéristiques, conditionnement, synchronisation.

• Actionneurs et conversion d’énergie : moteurs DC/BLDC, pneumatique/hydraulique, transmissions.

• Modélisation multi-physique : modèles mécaniques, électriques, couplage, Bond Graphs, Simscape.

• Commande des systèmes mécatroniques : PID, commande numérique, temps réel, microcontrôleurs.

• Architecture matérielle et logicielle : microcontrôleurs, bus UART/SPI/I2C/CAN, temps réel.

•Travaux pratiques et projet : capteurs/actionneurs, simulations, intégration, mini-projet.

• Comprendre et analyser les interactions mécanique–électronique–informatique d’un système mécatronique.

• Modéliser les sous-systèmes multi-physiques.

• Simuler un système complet avec MATLAB/Simulink ou équivalent.

• Intégrer capteurs, actionneurs et cartes de contrôle.

• Concevoir une architecture cohérente matériel/logiciel.

• Implémenter et tester une commande basique.

• Réaliser un mini-projet mécatronique intégré.

• Compréhension approfondie des principes fondamentaux de l’ingénierie mécatronique.

• Capacité à modéliser, analyser et interpréter le comportement des systèmes multi-physiques.

• Intégration cohérente et fonctionnelle des capteurs, actionneurs et modules de commande.

• Maîtrise des méthodes de conception et d’analyse des systèmes complexes.

• Application de démarches d’ingénierie avancées telles que la conception orientée modèle (Model-Based Design).

• Aptitude à résoudre des problèmes multi-domaines de manière structurée et efficace.

• Utilisation maîtrisée des outils de modélisation et de simulation (MATLAB/Simulink, Simscape).

• Programmation et implémentation sur microcontrôleurs (Arduino, STM32).

• Développement et validation d’algorithmes de commande de base.

• Travail collaboratif au sein de projets intégrés.

• Communication technique claire, à l’écrit comme à l’oral.

• Développement de l’esprit d’ingénierie, de la créativité et de l’innovation.

1. Mechatronics: Electronic Control Systems in Mechanical and Electrical Engineering

Author: W. Bolton

2. Mechatronics: Principles and Applications

Author: Godfrey C. Onwubolu

3. The Mechatronics Handbook

Editor: Robert H. Bishop

• Modélisation systémique : flux d’information, blocs fonctionnels, diagrammes UML/alternatifs,.

• De la fonction à l’architecture abstraite d’un programme : classes, méthodes, objet, attributs ,abstractions

• Cycle de développement éco-responsable : efficacité énergétique du code, choix d’outils, durabilité logicielle.

Ce module fournit une culture de programmation orientée vers les applications robotiques et systems mobile dans une finalité d’intégration de système. L’objectif n’est pas de former à un langage spécifique, mais de comprendre comment structurer et abstraire un programme. Les étudiants passent de la description systémique (fonctions, flux d’information) à l’organisation logicielle (classes, méthodes, modules), avec un regard sur l’implémentation multi-langages. ••

Comprendre la programmation comme outil d’intégration de systèmes robotiques et mobiles. •

Comprendre comment représenter un système de traitement sous forme fonctionnelle via une approche systémique (blocs, flux d’information). •

Comprendre les principes de structuration logicielle par abstraction : classes, objets, méthodes, modules. •

Comprendre les principes d’un cycle de développement éco-responsable dans la pratique de la programmation."

Mutualisée avec les M1 E3A FA PR680.

• Vincent BOUCHENY, Apprendre la Programmation Orientée Objet avec le langage Python, edition INI

• Pascal Roques, UML 2.5 par la pratique, Eyrolles

• Bertrand Meyer, Object-Oriented Software Construction, Prentice Hall

• Green IT, Guide de conception responsable de services numériques, INR.

Fondements mathématiques pour les données et l’ingénierie

Algèbre linéaire pour l’analyse de données

Probabilités et statistiques

Bases de l’optimisation

Équations différentielles pour la modélisation de systèmes

Acquisition de données et capteurs

Types de capteurs utilisés dans les systèmes d’ingénierie

Chaînes d’acquisition de données, échantillonnage, modèles de bruit

Prétraitement des signaux : filtrage, lissage, débruitage

Représentation et traitement des données

Types de données : signaux, images, séries temporelles, données tabulaires

Extraction de caractéristiques pour les données d’ingénierie

Réduction de dimension : ACP (PCA) et variantes

Normalisation, encodage et transformations

Introduction à la science des données et au Machine Learning

Apprentissage supervisé vs non supervisé

Algorithmes de base : régression linéaire, régression logistique, k-plus proches voisins (kNN)

Clustering et ACP

Mesures de performance et techniques d’évaluation

À l’issue du module, l’étudiant devra être capable de :

1. Mobiliser les fondements mathématiques (algèbre linéaire, probabilités, statistiques, équations différentielles, optimisation de base) pour modéliser et analyser des systèmes et des jeux de données.
2. Caractériser et exploiter les capteurs et chaînes d’acquisition (échantillonnage, bruit, filtrage, lissage, débruitage) pour produire des données exploitables en ingénierie.
3. Représenter et prétraiter différents types de données (signaux, images, séries temporelles, données tabulaires) : normalisation, encodage, extraction de caractéristiques, réduction de dimension (ACP, variantes).
4. Mettre en œuvre les principaux algorithmes de base en science des données et en Machine Learning(régression linéaire/logistique, kNN, clustering, ACP) et en évaluer les performances dans des contextes d’ingénierie.

Mutualisée avec les M1 E3A FA PR680.

1. Data-Driven Science and Engineering Machine Learning, Dynamical Systems, and Control

2. Machine Learning, Optimization, and Data Science

Définition des projets, acteurs, pilotage, triangle QCD
Planification de projets (PERT et Gant)
Gestion des risques (identification, priorisation, prévention)
Notions de calcul des coûts (investissements, coûts associés et coûts d’exploitation).

Objectifs pédagogiques

L'objectif de ce cours est d’acquérir des techniques d’organisation et de management pour mener avec efficacité les projets/stages en respectant les délais, le budget imparti et la performance attendue par l'entreprise.

1. Intelligent Agents

2. Problem Solving and Search

3. Knowledge Representation & Reasoning

4. Introduction to Machine Learning

5. Planning and Decision-Making

6. AI in Practice

Compréhension des concepts fondamentaux

Définir l’intelligence artificielle et ses principaux domaines.

Identifier les paradigmes de représentation des connaissances.

Mutualisée avec les M1 E3A FA PR680.

Machine Learning Yearning” – Andrew Ng

Chapitre 1 — Bases de l’image numérique

• Pixel, intensité, niveaux de gris, RGB vs. HSV.

• Matrices 2D : représentation, accès, modification.

• Histogrammes et contraste (notions).

• Opérations simples :

◦ seuillage,

◦ inversion,

◦ normalisation,

◦ ajustement d’intensité.

• Notions de bruit d’image : capteur, éclairage.

Chapitre 2 — Primitives en vision 2D

• Opérations 2D de base : moyennage, flou, renforcement de contours.

• Gradients 2D :

◦ idée intuitive (variation spatiale),

◦ Sobel.

• Contours :

◦ Canny (concept général),

◦ Seuillage.

• Points d’intérêt simples :

◦ Harris, Shi–Tomasi.

• Segmentation basique :

◦ seuillage global, adaptatif,

◦ régions homogènes.

Chapitre 3 — Amélioration d’image & Morphologie mathématique

3.1 — Amélioration d’image

• Objectifs : améliorer la lisibilité, réduire le bruit, renforcer les détails.

• Techniques fondamentales :

◦ Correction d’histogramme : égalisation (introduction)

◦ Filtrage spatial simple :

▪ lissage (réduction de bruit)

▪ renforcement d’arêtes

◦ Amélioration locale : contraste adaptatif (notion intuitive)

3.2 — Morphologie mathématique

• Image binaire et élément structurant.

• Érosion : rétrécir les objets.

• Dilatation : agrandir les objets.

• Ouverture : supprimer du bruit tout en préservant les formes.

• Fermeture : combler les trous et imperfections.

3.3 — Applications pratiques

• Nettoyage d’une image bruitée (combinaison ouverture/fermeture).

• Extraction d’un objet simple dans une scène.

• Mesure basique de forme (aire, contour).

• Comprendre les notions fondamentales liées aux images numériques (pixels, intensité, couleurs).

• Réaliser des opérations élémentaires de traitement d’image 2D.

• Extraire des primitives visuelles simples : contours, gradients, points d’intérêt.

• Améliorer une image selon un objectif (réduction de bruit, renforcement de détails).

• Mettre en œuvre les opérateurs morphologiques pour traiter formes et structures.

• Szeliski — CV: Algorithms and Applications (chapitres d’introduction).

• R.C. Gonzalez et R.E. Woods, Digital Image Processing, 3e édition, Prentice Hall, 2008.

• J.P. Cocquerez et S. Philips, Analyse d'images: filtrage et segmentation, Masson, 1995.

• Kenneth Castleman. Digital Image Processing, Prentice Hall, 1996 (second.

1. Introduction aux systèmes temps réel: temps réel dur et souple, contraintes de réactivité, déterminisme, latence

2. Modèle de tâche et gestion de l’exécution: tâche périodique, apériodique, sporadique, attributs temporels, processus, threads, sémaphores

3. Algorithmes d’ordonnancement: ordonnancement statique (Rate Monotonic, Deadline Monotonic), ordonnancement dynamique (Earliest Deadline First), conditions de faisabilité, priorité, inversion de priorité, protocole de gestion

4. Synchronisation et accès concurrent: sémaphores binaires / généraux, problèmes classiques (exclusion mutuelle, interblocage), protocole d’héritage de priorité

5. Noyaux temps réel: fonctionnalités minimales, exemples de noyaux.

• Décrire les contraintes temporelles propres aux systèmes embarqués temps réel et leurs implications sur le comportement du système.

• Comprendre les concepts clés d’un système d’exploitation temps réel : gestion des tâches, ordonnancement, synchronisation.

• Analyser la faisabilité d’un système temps réel à partir de son modèle de tâches et des politiques d’ordonnancement.

• F. Cottet, Ordonnancement temps réel, Hermès, 2000.

• N. Navet, Systèmes temps réel : ordonnancement, réseaux et qualité de service, Hermès, 2006.

1. Modulation et codage en bande de base : représentation de l’information (symboles, valence, débit binaire vs débit symbole, SNR, rapidité de modulation, et probabilité d’erreur), codage en bande de base, modulations numériques à porteuse unique (présentation unifiée de M-PSK et M-QAM, diagramme de l’œil, distance minimale entre symboles et robustesse au bruit)

2. Systèmes de communication mobiles: multiplexage (TDMA, FDMA, OFDMA), application aux réseaux cellulaires, allocation des ressources radio, architecture fonctionnelle (réseau GSM, LTE, 5G), chaîne physique et protocole de communication

3. Communications ad-hoc et mobiles distribuées: principe des réseaux ad-hoc (MANET, VANET), introduction aux communications véhiculaires (C-V2X, 802.11p)

• Comprendre les structures fondamentales d’une chaîne de transmission numérique dans un contexte mobile.

• Identifier l’impact des choix de modulation et de codage sur les performances physiques (SNR, BER, débit).

• Comprendre les techniques de multiplexage adaptées aux réseaux modernes (OFDM, LTE, 5G).

• Comprendre les principes de communication directe entre systèmes mobiles (réseaux ad-hoc, V2X).

Mutualisée avec les M1 E3A FA PR680.

• Roger-L Freeman, Telecommunications Transmission Handbook, Willey

• Afif Osseiran, 5G Mobile and Wireless Communications Technology. Cambridge University Press.

• Andreas Molisch, Wireless Communications. Wiley.

• Stephan Olariu, Vehicular Networks From Theory to Practice, CRC Press

1. Glissement et contact roue-sol: cinématique des roues élastiques (non rigides), définition du point de contact réel, calcul de l’angle de glissement, efforts longitudinaux et latéraux , modèle de raideur latérale

2. Modèle deux-roues équivalent avancé: roues moyennes, centre instantané de rotation avec glissement, état stationnaire de virage

3. Dynamiques découplés: modèle longitudinal et freinage optimal, Electronic Braking Distribution, modèle vertical (quarter / half car), condition limite en virage, stabilité en lacet sans et avec roulis

4. Véhicules deux-roues motorisés: cinématique spécifique à 2RM (angle de chasse), roulis dynamique, effets gyroscopiques, modes de vibrations et de stabilité

5. Véhicules aériens (Quadrotor): dynamique d’un quadrotor, mélangeur de vitesses et architecture contrôleur de vol, étude et simulation de trajectoires de base.

• Approfondir la modélisation dynamique des véhicules terrestres en tenant compte des effets de glissement, des caractéristiques pneumatiques et des interactions sol-véhicule.

• Analyser la dynamique spécifique des deux-roues motorisés, y compris les effets gyroscopiques et le comportement en roulis.

• Développer des modèles aérodynamiques et dynamiques pour les véhicules aériens (drones, quadrotors).

• Intégrer les modèles dynamiques dans des problématiques de commande, d’estimation, de planification et de suivi de trajectoire.

• Identifier et interpréter les phénomènes critiques affectant la stabilité et la sécurité : décrochage, transfert de charge, instabilité latérale, raideur anti-roulis.

- Jean-Pierre Brossard, Dynamique du véhicule, Modélisation des systèmes complexes, Sciences appliquées de l’INSA de Lyon, ISBN : 2-88074-644-2

• Quan Quan, Introduction to Multicopter Design and Control, Springer

• Yasmina Bestaoui, Lighter than air robots, Springer

Introduction : Systèmes coopératifs, Systèmes muli-agents

I- Analyse et modélisation de systèmes dynamiques muli-agents

II- Commande coopérative pour les systèmes muli-agents: algorithme de consensus,

III- Estimation coopérative

IV- Application: Commande/Estimation coopérative pour les systèmes linéaires en réseaux

À l’issue du module, l’étudiant devra être capable de :

1. Caractériser et modéliser des systèmes dynamiques multi-agents à l’aide de la théorie des graphes et du formalisme état-espace.
2. Concevoir et analyser des lois de commande coopérative, en particulier des algorithmes de consensus, et en établir les conditions de convergence.
3. Développer des stratégies d’estimation coopérative (observateurs/estimateurs distribués) pour des systèmes linéaires en réseau.
4. Appliquer et valider des schémas de commande/estimation coopérative sur des systèmes linéaires interconnectés (simulation et/ou étude de cas).

‘‘Initiation à la théorie des graphes’’, Christian Roux. Ellipses 2009.

‘’Graph Theoretic Methods in Multiagent Networks’’, M. Mesbahi, M. Egerstedt, Princeton University Press, 2010

‘’Distributed Control of Robotic Networks’’, F. Bullo, J. Cortés, S. Martínez, Princeton University Press, 2009 (version électronique disponible sur: http://coordinationbook.info)

L'objectif de ces travaux d'étude, recherche et développement est de former à leur futur métier de cadre nos diplômés par une mise en situation dans laquelle ils sont amenés à concevoir et réaliser des services, des solutions ou des produits innovants à destination de clients ou d'organisations (entreprises et/ou laboratoires de recherche).
Il s’agit pour les étudiants
-de comprendre et reformuler une demande pour en dégager les besoins réels et les enjeux associés.
-Savoir gérer un projet : planification, gestion des risques, communication
- d’être en capacité de confronter ses idées avec l'existant et se positionner par rapport à ce dernier en proposant des solutions innovantes.
-d’appliquer une méthodologie structurée de conception en vue de résoudre les problèmes posés.
-de cultiver un savoir être compatible avec le monde de l'entreprise.
-d’acquérir de l'autonomie dans la conduite d'un projet et dans l’apprentissage de nouvelles connaissances.
-d’aboutir à des réalisations concrètes dans les temps et délais impartis.
-de maîtriser les règles de communication écrites et orales ;
-d’appliquer et/ou approfondir les acquis scientifiques et techniques ;
-de justifier les choix et les résultats technologiques selon des critères qualitatifs et quantitatifs
Après une première phase de recherche et d’analyse bibliographique, le projet bascule dans une phase de réalisation.

L'évaluation des projets portera sur les éléments suivants : – la rigueur dans la démarche de gestion de projet et la maîtrse des règles de cmmunication orales et écrites ; – la validité et la qualité des résultats obtenus, tant sur les démonstrateurs que les livrables ; – le travail fourni pour y parvenir et le recul pris par les étudiants par rapport à ce dernier.

- Modélisation et analyse de système linéaire: système dynamique linéaire continu/discret, Systèmes MIMO/SISO, système échantillonné, équations récurrente, espace d'état, fonction de transfert (en p et Z)

- Modélisation des systèmes linéaires incertains : Représentation par intervalles, modèles polytopiques

- Équations d'état pour les systèmes physiques, analyse de stabilité

- Commande par retour d'état : placement de pôles

- Estimation d'état : synthèse d'observateur linéaire, observateur PI, observateur à entrées inconnues

- Commande par retour de sortie

- Applications

À l’issue du module, l’étudiant devra être capable de :

1. Modéliser et analyser des systèmes linéaires SISO/MIMO continus et discrets (échantillonnage, équations récurrentes, espace d’état, fonctions de transfert en pp et en zz).
2. Représenter et traiter l’incertitude via des modèles linéaires incertains (représentations par intervalles, modèles polytopiques) et en analyser la stabilité.
3. Concevoir des lois de commande par retour d’état (placement de pôles) pour des systèmes linéaires.
4. Synthétiser des observateurs d’état (observateur linéaire, PI, à entrées inconnues) et analyser leurs performances.
5. Mettre en œuvre des stratégies de commande par retour de sortie et les valider sur des exemples et applications physiques.

Mutualisée avec les M1 E3A FA PR680.

- Commande des systèmes. Performance et

robustesse. H. Bourlès, H.Guillard, Ellipses, 2012.

- Commande et optimisation des processus.

Pierre Borne, Jean-Pierre Richard. Technip

- Modelisation et identification des processus t 2 - Modélisation et identification des processus, tome 2

Pierre Borne (Sous la direction de). Technip

1. Introduction: exigences et contraintes normatives (ISO 26262, ARP4754A, ARP4761)

2. Capteurs spécifiques: Pression de frein, vitesse de roue, accéléromètres et gyroscopes (IMU), capteurs de position angulaire et linéaire, capteurs de pression hydraulique

3. Actionneurs typiques : systèmes hydrauliques de freinage avec modulateur (ABS, ESP), Freinage électro-hydraulique et actionneur à récupération (RBA, SBA), gestion de l’énergie (actionneurs électriques dans les VE/HEV), actionneurs hydrauliques/électriques pour gouvernes, systèmes de freinage avion

4. Chaîne de communication embarquée: capteur/bus/calculateur/actionneur, Bus CAN (structure, trames, ID, arbitrage), contraintes (délai, synchronisation des trames, trigger, horodatage)

5. Filtrage numérique:FIR/ IIR, filtre complémentaire et fusion rapide accéléromètre/gyroscope, estimation de l’attitude, Introduction au filtre de Kalman et fusion accélérations linéaires et vitesses angulaires.

• Comprendre les exigences spécifiques de l’instrumentation automobile et aéronautique.

• Identifier les capteurs et leur rôle dans les boucles de commande.

• Expliquer la fonction et la finalité des actionneurs typiques en lien avec les applications de freinage, de gouvernes et de gestion énergétique.

• Décrire la chaîne capteur - bus - calculateur - actionneur, en mettant en évidence ses contraintes (délais, synchronisation, sûreté de fonctionnement).

• Introduire les techniques de traitement numérique des signaux et les méthodes de fusion de capteurs pour la reconstruction d’états physiques.

Mutualisée avec les M1 E3A FA PR680.

• Handbook of Modern Sensors: Physics, Designs, and Applications, Springer.

• D.Alazard, Introduction au filtre de Kalman, ISAE

• Steven W. Smith, The Scientist and Engineer's Guide to Digital Signal Processing, California Technical Publishing